வழக்கு ஆய்வு: உரையாடல் AI

தீர்வு

உரையாடல் AI பற்றிய எங்களின் ஆழமான புரிதலுடன், 8 இந்திய மொழிகளில் ஆடியோ தரவுத்தொகுப்பின் பெரிய கார்பஸை உருவாக்க, நிபுணத்துவ சேகரிப்பாளர்கள், மொழியியலாளர்கள் மற்றும் சிறுகுறிப்புக் கலைஞர்கள் அடங்கிய குழுவுடன், வாடிக்கையாளருக்குத் தரவைச் சேகரிக்கவும், பிரிக்கவும், படியெடுக்கவும் உதவினோம்.

Shaip இன் பணியின் நோக்கம் உள்ளடக்கப்பட்டது ஆனால் பெரிய அளவிலான ஆடியோ பயிற்சி தரவைப் பெறுதல், ஆடியோ பதிவுகளை பலவற்றில் பிரித்தல், தரவை படியெடுத்தல் மற்றும் தொடர்புடைய JSON கோப்புகளை வழங்குதல் [SpeakerID, வயது, பாலினம், மொழி, பேச்சுவழக்கு,
தாய்மொழி, தகுதி, தொழில், டொமைன், கோப்பு வடிவம், அதிர்வெண், சேனல், ஆடியோ வகை, பேச்சாளர்களின் எண்ணிக்கை, வெளிநாட்டு மொழிகளின் எண்ணிக்கை, பயன்படுத்தப்பட்ட அமைப்பு, குறுகலான அல்லது அகல அலைவரிசை ஆடியோ போன்றவை].

சிக்கலான திட்டங்களுக்கு பேச்சுத் தொழில்நுட்பத்தைப் பயிற்றுவிப்பதற்குத் தேவையான தரத்தை விரும்பிய அளவில் பராமரிக்கும் போது ஷைப் 3000 மணிநேர ஆடியோ தரவை அளவில் சேகரித்தார். பங்கேற்பாளர்கள் ஒவ்வொருவரிடமிருந்தும் வெளிப்படையான ஒப்புதல் படிவம் எடுக்கப்பட்டது.

1. தரவு சேகரிப்பு

2. தரவுப் பிரிவு

• சேகரிக்கப்பட்ட ஆடியோ தரவு ஒவ்வொன்றும் 15 வினாடிகள் பேச்சுப் பிரிவுகளாகப் பிரிக்கப்பட்டு, கொடுக்கப்பட்ட ஒவ்வொரு ஸ்பீக்கருக்கும் மில்லி விநாடிகளுக்கு நேர முத்திரையிடப்பட்டது, ஒலியின் வகை, திருப்பங்கள், உச்சரிப்புகள் மற்றும் உரையாடலில் உள்ள சொற்றொடர்கள்
• ஒலி சமிக்ஞையின் தொடக்கத்திலும் முடிவிலும் 200-400 மில்லி விநாடிகள் திணிப்புடன் அதன் இலக்கு ஒலி சமிக்ஞைக்காக ஒவ்வொரு பிரிவையும் உருவாக்கியது.
• அனைத்து பிரிவுகளுக்கும், பின்வரும் பொருள்கள் உள்ளன மற்றும் நிரப்பப்பட்டன அதாவது, தொடக்க நேரம், முடிவு நேரம், பிரிவு ஐடி, ஒலி அளவு (உரத்த, இயல்பான, அமைதியான), முதன்மை ஒலி வகை (பேச்சு, பேபிள், இசை, சத்தம், ஒன்றுடன் ஒன்று), மொழி குறியீடு ஒலிபெருக்கி ஐடி, டிரான்ஸ்கிரிப்ஷன் போன்றவை.

3. தர சோதனை மற்றும் கருத்து

• அனைத்து பதிவுகளும் தரத்திற்காக மதிப்பிடப்பட்டன மற்றும் WER 90% மற்றும் TER 90% உடன் சரிபார்க்கப்பட்ட பேச்சுப் பதிவுகள் மட்டுமே வழங்கப்பட்டன
• தர சரிபார்ப்புப் பட்டியல் பின்வருமாறு:
  » பிரிவு நீளத்தின் அதிகபட்சம் 15 வினாடிகள்
  » குறிப்பிட்ட டொமைன்களில் இருந்து படியெடுத்தல், அதாவது: வானிலை, பல்வேறு வகையான செய்திகள், சுகாதாரம், விவசாயம், கல்வி, வேலைகள் அல்லது நிதி
  » குறைந்த பின்னணி இரைச்சல்
  » ஆடியோ கிளிப் ஆஃப் இல்லை - சிதைவு இல்லை
  » டிரான்ஸ்கிரிப்ஷனுக்கான சரியான ஆடியோ பிரிவு

4. தரவு படியெடுத்தல்
தயக்கங்கள், நிரப்பு வார்த்தைகள், தவறான தொடக்கங்கள் மற்றும் பிற வாய்மொழி நடுக்கங்கள் உட்பட அனைத்து பேசும் வார்த்தைகளும் டிரான்ஸ்கிரிப்ஷனில் துல்லியமாகப் பிடிக்கப்பட்டன. மூலதனம் மற்றும் சிற்றெழுத்துகள், எழுத்துப்பிழை, தலையெழுத்து, சுருக்கங்கள், சுருக்கங்கள், எண்கள், ஆகியவற்றைச் சுற்றியுள்ள விவரங்கள் டிரான்ஸ்கிரிப்ஷன் வழிகாட்டுதல்களையும் நாங்கள் பின்பற்றினோம்.
நிறுத்தற்குறிகள், சுருக்கெழுத்துக்கள், தெளிவற்ற பேச்சு, பேச்சு அல்லாத இரைச்சல்கள் போன்றவை. மேலும் சேகரிப்பு மற்றும் படியெடுத்தலுக்குப் பின்பற்றப்படும் பணி ஓட்டம் பின்வருமாறு: